자율주행 판단 기초
1.자율주행 자동차판단 기술 개요
1.자율주행차와 자율주행차 판단 기술의 개념
자율주행차: 자동차 스스로 주변환경을 인식하고 인식한 결과를 바탕으로 현재 상황을 판단한 뒤 주행 경로를 계획하여 운전자 주행 조작 없이 스스로 안전 주행이 가능한 자동차
자율주행 구성 기술
인지: 눈
판단: 뇌
제어: 혈관,근육, 신경계
2.자율주행차와 판단 기술의 필요성
차량 주행 상황 시, 여러가지 다양한 주변 환경정보들이 입력
정보는 많지만 주행에 있어서 각 정보들의 중요도는 상황에 따라 다름
입력 정보들의 우선 순위를 할당하여 최종적으로 안전한 판단이 필요
2.차량 센서 관점에서의 판단 기술 기초
1.센서 관점의 판단 기술 개념
센서로부터 얻은 주변환경 인식 정보를 판단에 활용
다양한 센서가 동일한 하나 물체를 인식할 시 판단 기술에서의 역할은 인지 기술의 범위에 따라 달라짐-센서융합정보입력, 개별 센서 정보 입력
3.도로 인프라 관점에서의 판단 기술 기초
1.자율주행 도로 인프라의 필요성
자율주행을 위한 도로 인프라의 필요성
-안전하고 효율적인 자율주행을 위해서는 차량과 도로 인프라 사이의 통신 기반의 정보 전달이 필요
센서 vs 도로 인프라
센서 기반 인식 기술은 여러가지 한계점을 갖고 있기에 도로 인프라를 통한 주변환경 정보의 중복 제공이 안전성 향상을 위해 반드시 필요
2.자율주행 도로 인프라의 개념
V2X: 차량과 모든 것들이 연결되어 상호 정보전달이 가능하도로고 하는 상태
V2I: 차량과 구조물(도로 인프라)
V2V:차량과 차
V2P:차량과 보행자
V2N:차량과 네트워크
V2C:차량과 클라우드
주변 인프라와 차량 간의 통신 기반 정보를 공유하여 합리적 판단 유도
4.Rule-Based Approach 기반 판단 기술 기초
1.Rule-Based Approach란?
주어진 입력에 대해서 결과값을 도출하는 방법
확고한 규칙에 따라서 결과값을 결정
2.Rule-Based Approach의 자율주행차 적용
자율주행차 센서 입력에 대한 판단 기술에 적용
간단한 주행 상황
-적은 입력 개수 기반의 Rule 설정을 통해 판단 기술 구현
복잡한 주행 상황
-비교적 많은 입력 개수 기반의 Rule 설정 필요
-판단 기술 구현의 복잡도 상승
고려해야 할 사항
-어떤 정보를 신뢰할 것인가?
-센서 정보들과 도로 인프라 정보들을 합리적으로 사용할 수 있는 규칙 마련
-주행 상황 시나리오별로 적합한 주행 판단
5.AI-Based Approach 기반 판단 기술 기초
1..AI- Rule-Based Approach
인공지능 기반 접근 방식으로 자율주행 판단 기술에 활용 가능
2.AI- Rule-Based Approach 기반 판단 기술
인지→판단→제어로 이어지는 자율주행 기술에서 판단 영역에 인공지능 기반 접근 방식을 적용
3.자율주행에 AI- Rule-Based Approach 적용
주변 환경 정보들을 기반으로 자율주행차의 주행 판단을 결정하는 인공지능 기반 접근 방식 기술적 접근 가능
6.차선 유지 주행 판단
1.차선 유지를 위한 차선 유지 보조 시스템
-운전자 설정 속도로 정속 주행
-선행 차량과의 거리를 일정하게 유지
-차량의 차선 유지가 잘 되고 있다는 판단을 위해서는 주변 환경 정보 필요
-차선 유지의 경우 차선에 대한 인식 및 선행 차량에 대한 인식 정보 필요
2.차선 유지 보조 시스템(LKAS)의 원리
센서 입력 정보 기반
카메라 센서: 차선 정보를 인식하여, 내 차가 차선의 중앙에 달리는지 여부를 판단할 수 있는 근거 마련
레이더 센서: 선행 차량의 정보를 인식하여, 내 차와의 상대거리/상대속도를 조절할 수 있는 근거 마련
차선 유지 판단 기술 원리
-선행 차량 존재 여부 판단하여 없는 경우, 사용자 설정 속도 주행
-선행 차량 존재 여부 판단하여 있는 경우, 설정 차간 거리 기반으로 선행 차량 속도로 주행(선행 차량과 같은 속도라면 차간 거리 유지 가능)
-선행 차량이 있다가 없어지는 경우, 설정 속도까지 가속 후 정속 주행
7.차선 변경/추월 주행 판단
1.차선 변경 판단 시나리오
차선 변경/추월
-360도 전 방향 센싱이 필요
핵심 센서: 물체인식을 위한 레이다,라이다, 차선 인식을 위한 카메라
센서 기반으로 360도 주변 차량들의 상대속도/상대거리 정보를 얻음
주변 환경 정보 센싱
-목표 차선의 후방차량/전방차량의 상대혹도/상대거리를 고려 후 차선 변경에 대한 주행 판단을 내림
2.추월 주행 판단 시나리오
목표 차선 2회 이동을 통한 추월 시나리오 진행
다차선 도로에서는 내 차 36.도 주변에 복수의 차량이 존재할 활률이 높음
-모든 차량들을 인식/추적하여 각 차량들과 내 차량간의 거리/상대속도를 실시간으로 획득할 수 있어야함
8.교차로/좌,우회전 주행 판단
1.교차로 좌,우회전 주행 판단 시나리오
교차로의 모든 정적/동적 물체에 대한 정보를 실시간 획득
교차로 좌회전/우회전 원리
카메라 기반 신호등 인식
횡단보도 신호등 상태 및 보행자 위치/거리/속도 인식
교차로 진입 시 주변 차량 인식
2.교차로 주행 판단 사례
일어날 수 있는 상황의 개수가 많아 센싱해야 하는 정보의 개수가 많아야함
중간 영역에 차선이 없어 가상 경로를 그려 주행해야 함
전 방향 차량 접근이 가능해 돌발 상황이 일어날 가능성 높음
복수의 방향에서 오는 차량들이 하나의 경로로 모이기에 충돌 예측 방지 기술 필요
상대방 차량 거리/속도와 차량 진입 의도까지 파악해 안전성 및 효율성 달성 필요
9.돌발상황/사고상황 주행 판단
1.돌발상황/사고상황 주행 판단 개념
돌발상황 및 사고상황에 대한 상황 분류/이해 기술 필요
도로 위 주행 가능 영역에 대한 장면 상황 판단
-주행, 정차 여부 파판단 후 연속 주행
-rule-based 및 ai-based 기술적 접근 가능
2.돌발상황/사고상황 판단 원리
돌발 및/사고상황 판단 원리
-돌발 및 사고 관련 발생되는 경우의 수가 많아 기술적으로 어려움
-안전하고 효율적인 솔루션이 마련되도록 연구 진행 필요
10.열악한 날씨상황 주행 판단
1.열악한 날씨상황을 위한 주행 판단 개념
눈이나 비ㅏ 오거나 길이 얼어서 빙판길이 되었을 때 차량의 경우 타이어와 도로 표면 사이의 마찰력이 감소하게 되어 주행의 안전성이 떨어져 사고로 이어질 수 있음
자율주행차도 날씨를 인식하고 날씨의 열악한 정도에 맞춰 주행패턴을 조절해야 함
눈,비와 같이 열악한 날씨상황에서는 차량에 탑재된 센서 성능 하락
열악한 날씨에서는 센서들의 신뢰도가 낮아지기 때문에 센서 융합이 중요해지고, 안전성 향향을 위해 보수적인 주행 패턴 필요
2.날씨상황 판단을 위한 방법론
날씨상황 인식 기술
방법1: 이미 탑재되어 있는 레인 센서로 판단
방법2: 타이어와 노면 사이의 미끄러지는 정도를 의미하는 슬립을 추정하여 판단
방법3: 카메라, 라이다 등의 센서 입력 기반으로 딥러닝 모델을 활용하여 판단
날씨상황에 따라 안전성이 보장되는 적합한 주행 필요
날씨와 도로 표면 상태 추정을 통해 주행 기준 마련 필요
기후별로 안전성을 보장할 수 있는 연구가 진행되어야 할 것으로 예상
11.V2X 정보 기반 주행 판단
1.V2X 정보 기반 주행 판단의 개념
V2X통신 기술을 활용하여 정보 공유는 자율주행 실현에 있어서 중요함
자율주행의 안전성 향상을 위해서 센서 기반 인식 기술과 통신 기반 인식 기술의 중복적인 정보가 필수적으로 필요함
V2I통신 기술
-대표적인 예로는 차량과 신호등과의 통신
-해킹 문제/통신 인프라 항상성 문제 등으로 인해 센서 기반 인식 기술은 V2X와 중복적으로 필요
V2V통신 기술
-차량과 차량 간의 주행 상태 공유
-센서 기반 인식 기술로 주변 차량의 거리/속도/상태를 추정할 수 있지만
V 2V 통신 기술이 원활하다면 정확도 높은 정보를 얻을 수 있음
2.센서 기반 인지 기술과 V2X 기반 인지 기술 비교
동일한 주변 환경 인식 기술을 위하여 센서 관점에서 또는 통신 관점에서 인식 결과를 얻는 것이 가능함
신호등을 인식하는 경우
-V2I 관점에서 통신으로 신호등 유무/신호 색깔의 상태 인식 가능
-카메라 등의 센서 기반으로도 인식 가능
주변 차량을 인식하는 경우
-V2V 관점에서 통신으로 주변 차량과의 주행 상태 정보 공유 가능
-레이다/라이다/카메라 등의 센서 기반으로도 주변 차량 정보 공유 가능
정보의 중복석은 자율주행 사용자의 안전성을 높일 수 있는 좋은 방법이며 필수적인 전략
12. Fail safe주행 판단
1.Fail safe의 3단계
1단계 : Fail passive
부품이 고장 나면 운행을 통상 정지
2단계: .Fail active
부품이 고장 나면 기계는 경보를 울리는 가운데 짧은 시간 동안 운전 가능
3단계: .Fail operational
부품에 고장이 있어서 기계는 추후의 보수가 될 때까지 기능을 유지
운전상 제일 선호하는 방법
2.hw/sw 관점에서의 Fail safe 주행 판단
전기차에서 모터가 고장난 경우를 대비하여 차체
설계시 모터를 2개 배치
sw접근
-여러 개의 센서 중에 1개의 센서가 고장 파악이 되었을 때, 다른 센서만으로 고장난 센서의 역할까지 대응
hw/sw 방식을 통해 구조적/기능적 fail fafe 에 대한 대응 방안을 마련할 수 있음
13.Rule-Based Decision-Making 개념
1.Rule-Based Decision-Making 개념
인지/판단/제어로 구성된 자율주행 기술에서 판단 기술을 구현하는 기술적 방법론은 Rule-Based Decision-Making으로 구현하는 방식
규칙을 설정하고 규착에 따라 자율주행 주행에 관한 판단을 결정하는 기술
-차선 유지/변경/좌우회전 등의 판단 개념
-실시간 경로생성 방법
2.Decision-Making 방법론
Rule-Based Decision-Making 방식과 AI-Based Decision-Making 방식의 서로간의 장단점이 명확함
위 2가지 방식을 융합하여 사용하는 방법에 대한 연구도 이뤄지고 있음
14.차선 유지/변경 예시를 통한 Rule-Based Decision-Making 이해
1.Rule-Based 기반 차선 유지 판단 개념
차선 유지 달성을 위한 규칙 설정 필요
-센서를 통해 양쪽 차선 인식 결과 획득
-양쪽 차선 중앙값과 비교하여 계산
-인식 결과 바탕으로 경로 생성 후 경로 제어
간단한 주행 시나리오의 경우에 규칙 기반으로 주행 판단 기술 구현 가능
2.Rule-Based 기반 차선 변경 판단 개념
차선 변경 달성을 위한 규칙 설정 필요
-센서를 통해 양쪽 복수 차선 인식 결과 획득
중앙값 계산 후 경로 후보 생성
-주변 차량 거리/속도 추정
-거리가 충분하고 속도 기반으로 진입 가능 시 차선 변경
진입 가능 시 차선 변경/진입 불가능 시 차선 변경 미시행 후 차선 유지
15.교차로 상황 예시를 통한 Rule-Based Decision-Making 이해
1.Rule-Based 기반 교차로 상황 판단 개념
교차로 상황에 대응 가능한 자율주행 차량 규칙 설정 필요
신호등 색깔을 기준으로 한 판단 원리
-카메라 기반 통신을 통해 신호등 정보 인식
-신호등 상태에 따른 주행,정차 실행
2.Rule-Based 기반 교차로 상황 판단 예시
교차로 상황은 자율주행이 어려운 시나리오 중 하나
주변 차량과의 충돌 회피를 할 수 있는 규칙 추가 필요
많은 수의 규칙에 따른 행동을 설계해야함
안전성을 높이는 방향의 규칙을 우선순위로 설정해 적용해야 함
16.AI-Based Decision-Making 개념
1.AI-Based Decision-Making 개념
딥러닝/강화학습 등을 활용하여 주행 데이터를 학습하여 주행상황을 판단하고 그에 맞는 행동을 실행
인공지능 기반 의사결정을 하므로, 주행판단 기술에 활용 가능
AI-Based Decision-Making 기술을 적용 방법
-차량 센서 데이터와 그에 맞는 상황 판단 결과 또는 제어 신호를 학습데이터로 활용하여 모델을 학습시켜, 주행 판단에 활용
2.인지/판단/제어 관점에서의 AI-Based Decision-Making
인지/판단/제어 기술 분야에서 판단 기술을 인공지능 기반으로 구현
-차선변경 , 추월, 좌우회전, 정차, 가감속 등을 결정
-주행상황을 판단하고 , 더 나아가 그 상황에 맞는 최적의 주행 경로를 실시간으로 생성하는 개념까지 포함
AI-Based Decision-Making 기술 적용 범위 방법론
-딥러닝 또는 강화학습 기반의 인공지능 기술로 판단 부분만 학습 모델을 만들어서 활용
인제/판단/제어 전체에 대하여 인공지능 모델을 설계하여 주행상황 판단 및 경로생성, 제어 신호 발생
17.차선 유지/변경 예시를 통한 AI-Based Decision-Making 이해
1.AI-Based 기반의 차선 유지 판단
딥러닝/강화학습 기반 인공지능 판단 방식은 학습에 의해 판단할 수 있는 모델이 마련
-인공지능 모델에 차량 센서(카메라, 라이다)로부터 인식한 차선 정보, 자차의 위치 정보, 차량 조향각/가감속 정보를 같이 학습
-학습된 모델은 임의의 상황이 주어지면 주행상황을 판단하여 그에 적합한 제어 신호를 발행
인공지능 기반 판단에 따른 행동 설정
-왼쪽에 치우쳤다면 오른쪽 이동하도록 조향/속도 제어
-오른쪽에 치우쳤다면 왼쪽 이동하도록 조향/속도 제어
2.AI-Based 기반의 차선 변경 판단
딥러닝/강화학습 기반 인공지능 판단 방식은 학습에 의해 판단할 수 있는 모델이 마련
-자차 위치, 양쪽 복수의 차선 인식 정보, 주변 차량들의 거리/속도 정보 등을 이용하여 모델 학습
-학습된 모델을 이용하여 임의의 상황이 주어졌을 때 자차는 차선 변경 가능한 지역으로 차선 변경 수행
인공지능 기반 판단에 따른 행동 설정
-목표 차선의 후방/전방 차량의 거리/속도 기반 진입 가능 시, 차선 변경
목표 차선의 후방/전방 차량의 거리/속도 기반 진입 불가능 시 차선 변경 미시행하며 차선 유지
18.교차로 상황 예시를 통한 AI-Based Decision-Making 이해
1.AI-Based 기반의 교차로 상황 판단
교차로 상황 판단을 위한 정보들을 인공지능 모델의 입력으로 사용해야 한다면 방대한 양의 정보가 필요
복잡한 교차로 상황에서도 딥러닝/강화학습 기반의 인공지능 모델을 통한 연구는 진행될만한 가치가 있음
제한적인 입력 정보만을 이용하는 것도 하나의 방법
-주변 차량들만 고려하는 부분적 활용 가능
-딥러닝 기반 장면 이해 방법
-rule-based 방식과 융합
2.AI-Based Decision-Making vs rule-Based Decision-Making 고찰
AI-Based방식은 다양한 주행 상황에 대한 대응이 가능한 솔루션을 확보할 수 있기 때문에 연구 가치가 있는 분야
AI-Based 방식은 엄격한 규칙 기반의 rule-Based 방식에 비해 다양한 경우에 유연하게 결과값을 도출
AI-Based vs rule-Based 장단점 비교 정리
AI-Based Decision-Making
-장점: 다양한 상황에 대한 주행 판단 가능, 규칙 설정 필요가 없음
-단점: 학습 데이터 확보 필요, 고성능 컴퓨팅 필요, 오류 및 안전성 검증 방법 부족
rule-Based Decision-Making
-장점: 간단한 규칙 기반의 구현 가능, 낮은 컴퓨팅 환경에서도 동작, 오류 및 안전성 검증 용이
-단점: 다양한 경우에 대한 규칙들을 모두 설계해야 하므로 유연함이 부족
19.자율주행 자동차의 경로생성 기술 개요
1.자율주행차의 경로생성 기술 개요
전역 경로계획과 지역 경로계획을 위한 경로생성 기술은 자율주행에서 반드시 필요함
판단 분야는 주행상황 판단에 관한 Decision-Making뿐만 아니라 그렇게 판단된 주행상황에 적합한 경로생성을 위한 path generation 기술을 포함함
항상 주행상황에 적합한 경로생성 결과를 실시간으로 도출해내야함
2.전역 경로계획을 위한 경로생성
출발지부터 목적지까지 주행할 때 전체적인 경로를 안내해주는 기술
내비게이션이 우리에게 현재 제공해주듯이 많은 부분 기술적으로 풀린 기술이라고 볼 수 있고, 자율주행 시대를 위해 자차 주변의 근거리 경로생성을 의미하는 지역 경로생성의 성능 발전이 중요하게 다가오고 있음
3.지역 경로계획을 위한 경로 생성
자차 주변의 근처 300m,500m 또는 1Km 이내의 지역적인 경로계획을 위한 경로 생성
지역적으로 여러 경로후보들을 생성하여 그 중에 안전성과 효율성이 높은 최적의 경로를 선정하여 경로를 실시간으로 생성 및 선택하게 됨
자차 근처의 지역적 경로생성 방법에 관한 연구는 지속적으로 발전되고 있는 실정임
4.판단 분야 안에서의 경로생성 기술
자율주행/인지/판단/제어 분야에서 판단 영역은 주행 상황 판단 뿐만 아니라 경로생성 기술을 포함함
20.판단/경로생성에서의 주변환경 인식/자차 위치인식의 중요성
1.판단/경로생성을 위한 자차 위치 인식
자차 위치인식의 중요성 및 위치인식 방법론
결론적으로 주행상황 판단 및 경로생성 기술에서 주변환경 인식 기술과 자차 위치인식 기술은 필수적으로 제공되어야 하는 중요한 정보임
주변환경에 대한 인식과 자차 위치인식 기술의 성능에 따라서 주행상황 판단 및 경로생성 기술이 대응할 수 있는 시나리오가 달라지는 만큼 이러한 인식 기술이 고도화 될 수록 자율주행의 안전성과 효율성은 높아지게 됨
21.A* 알고리즘 기초
1.grid map상에서 8방향의 방향성에 대해 장애물을 고려하여 cost를 계산하고 이 cost 비용 최소화를 통해 최적의 길을 찾아내는 알고리즘
2.A*알고리즘 grid(그래프,트리 알고리즘과 비슷하다)
grid의 크기를 어떻게 설정하는가 즉, 현실세계를 어떠한 크기의 격자로 작게 혹은 크게 쪼갤 것인가에 따라서 A*알고리즘이 결과값으로 제시할 수 있는 경로의 섬세함과 계산량이 달라짐
주어진 환경 정보와 자차의 크기에 따라서 GRID 의 크기를 적합하게 설정하는 것이 A*알고리즘을 적용할 때 중요한 부분임
22.A* 알고리즘 이해
1.시작 단계 설정
A* 알고리즘은 경로생성 대표 알고리즘 중 하나
A*알고리즘은 시작지점부터 도착지점까지 8방향에 대한 cost를 계속적으로 확장하여 계산하고 최종적으로 최소의 cost를 보장하는 최단 경로를 선택하게 해주는 알고리즘
2.탐색 시작 단계와 경로 채점
grid 단위 개념과 cost점수에 관한 이해만 동반된다면 어렵지 않게 application에 적용해볼 수 있는 간단하면서도 범용적인 알고리즘
A*관련된 다양한 관점에서 개선된 알고리즘들도 많은 연구가 진행되었고 지금도 진행되고 있으니 관심힜다면 개선 연구 관점에서 찾아보는 것도 좋은 방법임
23.RRT(Rapidly Exploring Random Tree)알고리즘 기초
1.RRT(Rapidly Exploring Random Tree)알고리즘의 개념 및 원리
경로생성 대표 알고리즘 중 하나
샘플링 기반의 방법
시작점부터 트리를 빠르게 계속적으로 성장시켜 나가서 목적지까지 도달할 수 있도록 하는 경로 생성 알고리즘
2.RRT알고리즘의 원리에 대한 고찰
자율주행차 또는 로보틱스 분야에 활용 가능한 범용적인 경로생성 기술
관련 기술들이 어떻게 발전하고 있는지에 대해서 찾아보는 것도 좋은 학습 방법
24.RRT(Rapidly Exploring Random Tree)알고리즘 개념
1.RRT알고리즘의 개념
경로생성 대표 알고리즘 중 하나
샘플링 기반의 방법
시작점부터 트리를 빠르게 계속적으로 성장시켜 나가서 목적지까지 도달할 수 있도록 하는 경로생성 알고리즘
2.RRT 알고리즘의 원리 이해
차선 변경 및 추월 시나리오 예시를 통해 RRT알고리즘의 원리를 살펴봄
RRT 알고리즘을 사용할 때, 시작지점과 목적지점, 적합한 탐색영역의 설정이 중요함
RRT알고리즘은 어느 특정시점에 1번만 실행되는 것이 아니라 실시간으로 반복적인 수행이 필요함
자차와 주변차량들의 환경은 매우 빠르게 변하기 때문
RRT알고리즘은 자율주행의 경로생성 기술에 적용할 수 있으며, 차량 뿐만 아니라 모든 종류의 이동체에 적용 가능한 범용적인 경로생성 방법
25.강화학습 기반 경로생성 알고리즘 기초
1.머신러닝의 개념
머신러닝은 지도학습, 비지도학습, 강화학습으로 분류됨
-지도학습: 레이블된 데이터로 학습을 하는것
-비지도 학습: 레이블 없이 학습을 하는 것
-강화학습: 보상시스템으로 학습을 하는것
2.강화학습의 정의 및 원리
강화학습이란 어떤 환경 안에서 정의된 주체가 현재의 상태를 관찰하여 선택할 수 있는 행동들 중에서 가장 최대의 보상을 가져다 주는 행동이 무엇인지에 대해서 학습하는 것
강화학습 기반 알고리즘은 자율주행 기술 중에 경로생성을 위한 하나의 방법론으로 연구가 많이 되고 있는 상황
-강화학습 관련된 자율주행 분야 연구를 계속적으로 주시해볼 필요가 있음
26.강화학습 기반 경로생성 알고리즘 이해
1.예시를 통한 강화학습 원리 이해
차선 유지 시나리오 예시를 통해 강화학습 원리에 대해서 알아봄
강화학습 기반으로 경로생성 및 제어 기술을 구현하여 자율주행 판단 분야에 활용할 수 있음
2.강화학습 보상 방법
인공지능 모델을 강화학습 기반으로 다양한 환경에서 여러가지 상태에 대한 조향 학습을 시켜서 강화학습의 보상 시스템을 구축해 놓으면, 임의의 환경에서도 차선 유지와 같은 경로생성 및 제어 기술 효과를 달성할 수 있음
강화학습을 위해서 방대한 양의 데이터가 필요한 점은 단점이라 볼 수 있지만, 만약 다양한 환경에 따른 양질의 데이터가 많이 확보된다면 강화학습의 주행 판단 성능을 고도화시킬 수 있을 것